# Explainable AI for Correct Root Cause Analysis of Product Quality in Injection Moulding

### 저자

Muhammad Muaz, Sameed Sajid, Tobias Schulze, Chang Liu, Nils Klasen, Benny Drescher

### 개요

본 논문은 사출 성형 공정에서 제품이 원하는 특성에서 벗어나는 경우, 입력 기계 설정과 출력 품질 특성 간의 관계를 모델링하여 근본 원인 분석을 지원하는 방법을 제시한다. 기존의 품질 예측에 사용되는 머신러닝 모델들은 대부분 블랙박스이기 때문에 예측에 대한 직접적인 설명이 부족하여 품질 관리에 적용하는 데 제한이 있었다. 기존의 설명 가능한 AI (XAI) 방법들은 트리 기반 알고리즘에만 국한되거나, 일부 XAI 방법들이 제품의 원하는 특성과의 편차에 대한 잘못된 근본 원인 식별로 이어질 수 있다는 점을 강조하지 않았다. 본 연구는 중심 합성 계획에 따라 수집된 실제 실험 데이터에서 여러 입력 기계 설정 간의 상호작용이 존재함을 보여준다. 그리고 다양한 모델에 적용 가능한 XAI 방법들을 비교하여, 서로 다른 XAI 방법들이 사출 성형에서 서로 다른 특징 영향 분석으로 이어짐을 최초로 보여준다.  더 나아가, 더 나은 특징 귀속이 올바른 원인 식별과 사출 성형 공정을 위한 실행 가능한 통찰력으로 이어짐을 보여준다. 모델에 종속되지 않는 XAI 방법을 사용하여 랜덤 포레스트와 다층 퍼셉트론 모두에 대한 원인 분석을 수행하였으며, 두 모델 모두 실험 데이터셋에서 평균 절대 백분율 오차가 0.05% 미만임을 보였다.

### 시사점, 한계점

- **시사점:**

    - 다양한 모델에 적용 가능한 XAI 방법을 비교 분석하여 사출 성형 공정에서의 최적의 XAI 방법을 제시하였다.

    - XAI 방법의 선택에 따라 원인 분석 결과가 달라질 수 있음을 실험적으로 증명하였다.

    - 더 나은 특징 귀속이 정확한 근본 원인 파악과 실행 가능한 개선 방안 제시로 이어짐을 보였다.

    - 랜덤 포레스트와 다층 퍼셉트론 모델 모두에서 높은 정확도와 설명 가능성을 동시에 달성하였다.

- **한계점:**

    - 본 연구는 특정 사출 성형 공정 및 데이터셋에 국한된 결과일 수 있다.

    - 더욱 다양한 XAI 방법과 모델에 대한 비교 분석이 필요하다.

    - 실제 산업 현장에 적용하기 위한 추가적인 검증이 필요하다.

[PDF 보기](https://arxiv.org/pdf/2505.01445)

For the site tree, see the [root Markdown](https://slashpage.com/haebom.md).